MAF1731 - Microstructure and Trading Systems

B.Eng Financial Engineering

Repository: Link

---

Proyecto Final

Análisis Técnico

---

Juan Pablo García Zaragoza

Ana María Aguilera Gómez

Aniel Esthefanía Villanueva

Eduardo Loza de la Torre

1. Introduction

---

Technical analysis is a fundamental tool for investors seeking to make informed decisions in their financial operations. It involves analyzing the behavior and movement of the prices of a financial asset with the aim of predicting its behavior.

In this project, we will use training and test data and generate buy and sell signals for a currency. We will apply a trading algorithm to these signals with the goal of optimizing profits.

2. Install/Load Packages and Depedencies

---

2.1 Python Packages

In order to run this notebook, it is necessary to have installed and/or have the requirements.txt file with the following:

• pandas>=1.1.1
• numpy>=1.19.1
• jupyter>=1.0.0

2.2 Files Dependencies

The following are the file dependencies that are needed to run this notebook:

• files/precios.csv : Precios históricos
• files/datos.txt : Otros datos históricos

2.3 Install Packages

%%capture

# Install all the pip packages in the requirements.txt
import sys
!{sys.executable} -m pip install -r requirements.txt

import warnings
warnings.filterwarnings("ignore")
from data import *
from functions import *
from visualizations import *

3. Data Description

---

• Divisa: EURUSD
• Datos de entrenamiento: 2020
• Datos de prueba: 2021.

data_Test,data_Train = extraccion_data()
data_Train

	time	open	high	low	close	tick_volume	spread	real_volume
0	2020-01-02	1.12080	1.12140	1.11628	1.11712	486302	15	67538850000
1	2020-01-03	1.11712	1.11792	1.11243	1.11601	598129	13	89719350000
2	2020-01-06	1.11637	1.12049	1.11565	1.11958	554376	15	83156400000
3	2020-01-07	1.11957	1.11969	1.11329	1.11513	554991	14	83248650000
4	2020-01-08	1.11512	1.11675	1.11012	1.11046	739679	15	110951850000
...	...	...	...	...	...	...	...	...
255	2020-12-24	1.21834	1.22150	1.21766	1.21805	420206	13	63030900000
256	2020-12-28	1.21850	1.22498	1.21795	1.22154	638127	15	95719050000
257	2020-12-29	1.22154	1.22743	1.22062	1.22466	650766	15	97614900000
258	2020-12-30	1.22466	1.23092	1.22457	1.22935	659800	15	98970000000
259	2020-12-31	1.22935	1.23086	1.22142	1.22161	374748	13	56212200000

260 rows × 8 columns

data_Test

	time	open	high	low	close	tick_volume	spread	real_volume
0	2021-01-04	1.22379	1.23091	1.22291	1.22456	564259	15	84638850000
1	2021-01-05	1.22456	1.23050	1.22437	1.22911	490800	15	73620000000
2	2021-01-06	1.22934	1.23487	1.22647	1.23228	688317	15	103247550000
3	2021-01-07	1.23228	1.23436	1.22443	1.22694	548643	15	82296450000
4	2021-01-08	1.22694	1.22839	1.21921	1.22173	601301	13	90195150000
...	...	...	...	...	...	...	...	...
255	2021-12-27	1.13056	1.13339	1.13022	1.13263	215290	14	32293500000
256	2021-12-28	1.13263	1.13326	1.12888	1.13073	226592	14	33988800000
257	2021-12-29	1.13066	1.13681	1.12729	1.13448	264626	14	39693900000
258	2021-12-30	1.13446	1.13592	1.12978	1.13138	289933	14	43489950000
259	2021-12-31	1.13138	1.13857	1.13025	1.13839	268167	13	40225050000

260 rows × 8 columns

4. Aspectos Financieros

---

4.1 Definición del sistema de trading y 4 criterios

Se utilizará una estrategia de trading basada en análisis técnico, en la que se busca identificar patrones y tendencias en los gráficos de precios para tomar decisiones de compra o venta.

Para el criterio de entrada, se utilizarán las Bandas de Bollinger, el oscilador estocástico y el MACD para identificar señales de compra o venta.

El criterio de salida debe ser determinado por el nivel de riesgo máximo por operación, que en este caso es de 1,000 USD.

Se utiliza una combinación de stop loss y take profit para limitar la pérdida máxima y asegurar las ganancias.

Analisis tecnico con Bandas de Bollinger

Analisis tecnico con Oscilador Estocastico

Analisis tecnico con MACD

El indicador MAD (por sus siglas en inglés "Mean Absolute Deviation") es un indicador técnico utilizado en el análisis técnico del mercado financiero. Su objetivo es medir la volatilidad de los precios de un activo financiero, calculando la diferencia entre cada punto de datos y su media aritmética y luego tomando el valor absoluto de estas diferencias. Estos valores se promedian para obtener el valor del indicador MAD.

5. Aspectos Estadísticos

---

Estudios Técnicos:

• Bandas Bollinger: Ayuda a identificar la volatilidad y la tendencia de un mercado financiero. Cuando la volatilidad es alta, las bandas se expanden, y cuando la volatilidad es baja, las bandas se contraen. Se compone de tres líneas que se dibujan en un gráfico de precios: La línea central es una media móvil simple, mientras que las otras dos líneas se dibujan por encima y por debajo de la línea central y representan el desviación estándar de los precios con respecto a la media móvil.

$$\text{BB}(t) = \text{MA}(t) + k*\text{SD}(t)$$

• Oscilador Estocástico: Mide la posición de un precio de cierre actual en relación con su rango de precios en un período de tiempo determinado.El oscilador estocástico se representa como una línea que oscila entre 0 y 100. Los valores por encima del 80 se consideran sobrecomprados, mientras que los valores por debajo del 20 se consideran sobrevendidos.

$$ \%K = ((C - L_n) / (H_n - L_n)) x 100$$

• MACD (Moving Average Convergence Divergence): Se compone de dos medias móviles exponenciales (EMA) que se restan entre sí, lo que permite a los traders y analistas identificar cambios en la tendencia y posibles oportunidades de compra o venta.

$$MACD = EMA(12) - EMA(26)$$

En el caso de este laboratorio la estrategia es que se abra o se cierre una posición si dos de estos indicadores concuerdan con sus señales.

5.1 Propuesta de algoritmo

data_Train_tec = fun.technicals(data_Train).dropna()
data_Train_tec['time'] = pd.to_datetime(data_Train_tec['time'], format='%Y-%m-%d')
data_Train_tec

	time	open	high	low	close	tick_volume	spread	real_volume	bb_bbm	bb_bbh	...	bb_high_signal	bb_low_signal	stochastic	stochastic_buy_signal	stochastic_sell_signal	macd	macd_signal	macd_hist	macd_buy_signal	macd_sell_hist
33	2020-02-18	1.08342	1.08373	1.07848	1.07911	564307	15	84646050000	1.097340	1.115853	...	0.0	0.0	2.030293	True	False	-0.007566	-0.005923	-0.001643	False	True
34	2020-02-19	1.07911	1.08110	1.07815	1.08039	546016	15	81902400000	1.096019	1.115210	...	0.0	0.0	7.142857	True	False	-0.007769	-0.006292	-0.001477	False	True
35	2020-02-20	1.08037	1.08204	1.07772	1.07841	611934	15	91790100000	1.094552	1.114189	...	0.0	0.0	2.182163	True	False	-0.007997	-0.006633	-0.001364	False	True
36	2020-02-21	1.07841	1.08628	1.07828	1.08468	605890	13	90883500000	1.093568	1.113012	...	0.0	0.0	24.318658	False	False	-0.007585	-0.006823	-0.000761	False	True
37	2020-02-24	1.08240	1.08714	1.08043	1.08519	747020	15	112053000000	1.092746	1.112078	...	0.0	0.0	27.676917	False	False	-0.007134	-0.006885	-0.000249	False	True
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
255	2020-12-24	1.21834	1.22150	1.21766	1.21805	420206	13	63030900000	1.212155	1.230787	...	0.0	0.0	57.176251	False	False	0.007986	0.008591	-0.000604	False	False
256	2020-12-28	1.21850	1.22498	1.21795	1.22154	638127	15	95719050000	1.213600	1.230088	...	0.0	0.0	73.492286	False	False	0.007782	0.008429	-0.000647	False	False
257	2020-12-29	1.22154	1.22743	1.22062	1.22466	650766	15	97614900000	1.214952	1.230140	...	0.0	0.0	87.181860	False	True	0.007782	0.008299	-0.000518	False	False
258	2020-12-30	1.22466	1.23092	1.22457	1.22935	659800	15	98970000000	1.216700	1.229472	...	0.0	0.0	93.436455	False	True	0.008067	0.008253	-0.000186	False	False
259	2020-12-31	1.22935	1.23086	1.22142	1.22161	374748	13	56212200000	1.217411	1.229517	...	0.0	0.0	54.474328	False	False	0.007581	0.008119	-0.000538	False	False

227 rows × 21 columns

data_Test_tec = fun.technicals(data_Test).dropna()
data_Test_tec['time'] = pd.to_datetime(data_Test_tec['time'], format='%Y-%m-%d')
data_Test_tec

	time	open	high	low	close	tick_volume	spread	real_volume	bb_bbm	bb_bbh	...	bb_high_signal	bb_low_signal	stochastic	stochastic_buy_signal	stochastic_sell_signal	macd	macd_signal	macd_hist	macd_buy_signal	macd_sell_hist
33	2021-02-18	1.20344	1.20938	1.20344	1.20884	711696	15	106754400000	1.209634	1.219969	...	0.0	0.0	62.983425	False	False	-0.002062	-0.002737	0.000674	True	True
34	2021-02-19	1.20884	1.21437	1.20816	1.21181	721397	13	108209550000	1.209429	1.219406	...	0.0	0.0	76.657459	False	False	-0.001691	-0.002528	0.000836	True	True
35	2021-02-22	1.21135	1.21686	1.20905	1.21528	693352	15	104002800000	1.209351	1.219117	...	0.0	0.0	92.633517	False	True	-0.001105	-0.002243	0.001138	True	True
36	2021-02-23	1.21519	1.21792	1.21345	1.21486	280844	15	42126600000	1.209400	1.219264	...	0.0	0.0	86.555360	False	True	-0.000666	-0.001928	0.001262	True	True
37	2021-02-24	1.21485	1.21739	1.21082	1.21609	345829	15	51874350000	1.209408	1.219294	...	0.0	0.0	91.959578	False	True	-0.000216	-0.001585	0.001369	True	True
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
255	2021-12-27	1.13056	1.13339	1.13022	1.13263	215290	14	32293500000	1.129914	1.135355	...	0.0	0.0	76.063446	False	False	-0.001936	-0.003303	0.001367	True	True
256	2021-12-28	1.13263	1.13326	1.12888	1.13073	226592	14	33988800000	1.129996	1.135432	...	0.0	0.0	62.364816	False	False	-0.001765	-0.002995	0.001230	True	True
257	2021-12-29	1.13066	1.13681	1.12729	1.13448	264626	14	39693900000	1.130043	1.135615	...	0.0	0.0	84.181942	False	True	-0.001313	-0.002659	0.001346	True	True
258	2021-12-30	1.13446	1.13592	1.12978	1.13138	289933	14	43489950000	1.130021	1.135567	...	0.0	0.0	63.136456	False	False	-0.001190	-0.002365	0.001175	True	True
259	2021-12-31	1.13138	1.13857	1.13025	1.13839	268167	13	40225050000	1.130420	1.137012	...	1.0	0.0	98.908429	False	True	-0.000522	-0.001996	0.001475	True	True

227 rows × 21 columns

plot_bollinger_bands(data_Train_tec)

graph_oscillator(data_Train_tec,"Oscillator")

En las gráficas se puede confirmar las señales de compra y de venta de cada indicador que concuerdan con los datos de arriba.

6. Aspectos Computacionales

---

Función de utilidad:

• La función de utilidad o función de objetivo es la maximización de las ganancias.
• La medida de atribución al desempeño es el cash disponible en la cuenta.

Parámetros a optimizar:

• Parámetro: 1

  • Nombre: Volumen
  • Descripción: El volumen de unidades para abrir una operación.
  • Tipo de valor: numérico
  • Rango de valores: 5000 - 15000
  • Tamaño de paso mínimo: 1

• Parámetro: 2

  • Nombre: StopLoss
  • Descripción: El nivel de precio en el que se cerrará automáticamente una operación para limitar las pérdidas.
  • Tipo de valor: numérico
  • Rango de valores: 0.1 - 0.9
  • Tamaño de paso mínimo: 1

• Parámetro: 3

  • Nombre: TakeProfit
  • Descripción: El nivel de precio en el que se cerrará automáticamente una operación para asegurar las ganancias.
  • Tipo de valor: numérico
  • Rango de valores: 0.1 - 0.9
  • Tamaño de paso mínimo: 1

Espacio de búsqueda

• Parámetro 1 (Volumen): Rango de valores de 5,000 a 15,000
• Parámetro 2 (StopLoss): 9 valores posibles (0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9)
• Parámetro 3 (TakeProfit): 9 valores posibles (0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9)

Por lo tanto, el espacio de búsqueda total para este problema de optimización es:

(15000 - 5000 + 1) x 9 x 9 = 6561 posibles combinaciones de valores de parámetros.

Tiempo de búsqueda exhaustiva

Tiempo total = tamaño del espacio de búsqueda * tiempo por búsqueda

6561 * 5 segundos = 32,805 segundos

Lo que equivale a 8.5 horas aproximadamente.

Método de optimización

• PSO (Optimización por Enjambre de Partículas): Utiliza una población de soluciones candidatas, representadas como partículas, que se mueven alrededor de un espacio de búsqueda para encontrar la mejor solución.
• Búsqueda exhaustiva: Evaluación sistemática de todas las posibles soluciones.

7. Results

---

7.1 Periodo de optimización

7.1.1 Backtest data

Se muestra el primer trading con los datos de entrenamiento:

traiding_train = fun.tradear(data_Train_tec,0.1, 0.1, 8000, visuales = True, optimizar=False)
print(f'Cash = {traiding_train[-1]:.4f}')

Vendiendo 8000 a 1.09992 - Cash 91189.6408
Vendiendo 8000 a 1.10262 - Cash 82357.6546
Vendiendo 8000 a 1.11327 - Cash 73440.36189999999
Vendiendo 8000 a 1.1171 - Cash 64492.39089999999
Vendiendo 8000 a 1.11339 - Cash 55574.13699999999
Vendiendo 8000 a 1.12371 - Cash 46573.21989999999
Vendiendo 8000 a 1.12846 - Cash 37534.25529999999
Vendiendo 8000 a 1.1446 - Cash 28366.00929999999
Comprando 8000 a 1.06619 - Cash 19825.82739999999
Comprando 8000 a 1.08382 - Cash 11144.429199999991
Cerrando por take profit 8000 a 1.1751 - Cash 20533.47819999999
Vendiendo 8000 a 1.1751 - Cash 11120.92719999999
Cerrando por take profit 8000 a 1.19306 - Cash 20653.476599999987
Comprando 8000 a 1.17067 - Cash 11276.409899999986
Cerrando por stop loss 8000 a 1.21125 - Cash 19175.243999999988
Vendiendo 8000 a 1.21125 - Cash 9473.131499999989
Cerrando por stop loss 8000 a 1.21422 - Cash 17391.381299999986
Vendiendo 8000 a 1.21422 - Cash 7665.479099999986
Cerrando por stop loss 8000 a 1.22661 - Cash 15654.919799999987
Cerrando por stop loss 8000 a 1.22661 - Cash 23646.27809999999
Cerrando por stop loss 8000 a 1.22935 - Cash 31675.029599999987
Cash = 94768.0696

Búsqueda exhaustiva:

opt_vals = fun.busqueda_exhaustiva(data_Train_tec)
opt_vals

100%|██████████████████████████████████████████████████████████████████████████████████| 20/20 [02:36<00:00,  7.85s/it]

stop_loss          0.142105
take_profit        0.184211
volumen         5000.000000
profit         97247.668250
Name: 440, dtype: float64

PSO:

best_cost, best_args = fun.busqueda_pso(data_Train_tec)
display(best_args) # Argumentos que salen 

2023-05-13 18:26:22,694 - pyswarms.single.global_best - INFO - Optimize for 100 iters with {'c1': 0.5, 'c2': 0.3, 'w': 0.9}
pyswarms.single.global_best: 100%|█████████████████████████████████████████████████████████|100/100, best_cost=-9.72e+4
2023-05-13 18:26:43,345 - pyswarms.single.global_best - INFO - Optimization finished | best cost: -97242.96318195222, best pos: [8.45328909e-01 6.76509613e-01 5.00854742e+03]

array([8.45328909e-01, 6.76509613e-01, 5.00854742e+03])

7.2 Periodo de prueba

7.2.1 Data de Prueba

Traiding de prueba con los datos de entrenamiento aplicados en el test mediante Búsqueda Exhaustiva:

trading_test = fun.tradear(data_Test_tec, opt_vals["stop_loss"], opt_vals["take_profit"], opt_vals["volumen"],optimizar=False)
print(f'Cash = {trading_test[-1]:.4f}')

Cash = 100742.7246

7.1.1 Gráfica: Evolución de Capital

graph_capital(traiding_train, trading_test,"Evolucion de Capital")

Traiding de prueba con los datos de entrenamiento aplicados en el test mediante el PSO:

trading_pso_test = fun.tradear(data_Test_tec, best_args[0] , best_args[1], best_args[2],optimizar=False)
print(f"Profit busqueda pso: ${trading_pso_test[-1]:,.4f}")

Profit busqueda pso: $100,743.9943

7.2.1 Gráfica: Evolución de Capital

graph_capital(traiding_train, trading_pso_test,"Evolucion de Capital")

Se observa una gráfica de la evolución del capital ahora utilizando el método de busqueda exhaustiva para obtener los mejores argumentos en la función para optimizar nuestro capital final. Igual que el caso de PSO se ve muy claro el contraste y los resultados fueron muy parecidos ambos dando una ganancia en el capital.

</br>

6. References

---

• Github repository: https://github.com/JP-GZ/Lab_5_MYST